python把文字矢量化_如何在Python中对这个峰值发现进行矢量化？

基本上我正在编写一个峰值发现功能，需要能够scipy.argrelextrema在基准测试中击败。这是我正在使用的数据的链接，以及代码：

如果此链接过期，则可以在dukascopy银行的在线历史数据下载程序中找到该数据。import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data = pd.read_csv('EUR_USD.csv')

data.columns = ['Date', 'open', 'high', 'low', 'close','volume']

data.Date = pd.to_datetime(data.Date, format='%d.%m.%Y %H:%M:%S.%f')

data = data.set_index(data.Date)

data = data[['open', 'high', 'low', 'close']]

data = data.drop_duplicates(keep=False)

price = data.close.values

def fft_detect(price, p=0.4):

trans = np.fft.rfft(price)

trans[round(p*len(trans)):] = 0

inv = np.fft.irfft(trans)

dy = np.gradient(inv)

peaks_idx = np.where(np.diff(np.sign(dy)) == -2)[0] + 1

valleys_idx = np.where(np.diff(np.sign(dy)) == 2)[0] + 1

patt_idx = list(peaks_idx) + list(valleys_idx)

patt_idx.sort()

label = [x for x in np.diff(np.sign(dy)) if x != 0]

# Look for Better Peaks

l = 2

new_inds = []

for i in range(0,len(patt_idx[:-1])):

search = np.arange(patt_idx[i]-(l+1),patt_idx[i]+(l+1))

if label[i] == -2:

idx = price[search].argmax()

elif label[i] == 2:

idx = price[search].argmin()

new_max = search[idx]

new_inds.append(new_max)

plt.plot(price)

plt.plot(inv)

plt.scatter(patt_idx,price[patt_idx])

plt.scatter(new_inds,price[new_inds],c='g')

plt.show()

return peaks_idx, price[peaks_idx]

它基本上使用快速傅里叶变换（FFT）对数据进行平滑，然后使用导数找到平滑数据的最小和最大索引，然后在未平滑数据上找到相应的峰值。有时它找到的峰值由于某些平滑效应而不是主意，所以我运行这个for循环来搜索指定边界之间的每个索引的更高或更低的点l。我需要帮助矢量化这个for循环！我不知道该怎么做。如果没有for循环，我的代码会快50％scipy.argrelextrema，但for循环会减慢它的速度。因此，如果我能找到一种方法来对其进行矢量化，那么它将是一种非常快速，非常有效的替代方案scipy.argrelextrema。这两个图像分别表示没有for循环和循环的数据。